人脸检测：MTCNN人脸及特征点检测——NCNN优化（移动端部署）

本文主要讲述当你拿到MTCNN的caffemodel后，如何使用它对一张图里的人脸进行检测和特征点标定。

相当于一个代码实现的解释。因为最近卤煮在用ncnn，所以该代码也是基于ncnn架构做的。 caffe  架构同理

如果你对MTCNN这篇论文还不熟悉，建议先去看原理。

MTCNN解读：Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks

1. MTCNN关键参数

nms_threshold：非极大值抑制nms筛选人脸框时的IOU阈值，三个网络可单独设定阈值，值设置的过小，nms合并的少，会产生较多冗余计算。示例nms_threshold[3] = { 0.5, 0.7, 0.7 };。

threshold：人脸框得分阈值，三个网络可单独设定阈值，值设置的太小，会有很多框通过，也就增加了计算量，还有可能导致最后不是人脸的框错认为人脸。示例threshold[3] = {0.8, 0.8, 0.8};

minsize ：最小可检测图像，该值大小，可 控制 图像金字塔的阶层数的参数之一，越小，阶层越多，计算越多。示例minsize = 40;

factor ：生成图像金字塔时候的缩放系数, 范围(0,1)，可控制图像金字塔的阶层数的参数之一，越大，阶层越多，计算越多。示例factor = 0.709;

输入图片的尺寸，minsize和factor共同影响了图像金字塔的阶层数。用户可根据自己的精度需求进行调控。

MTCNN整体过程只管图示如下：

接下来对使用过程进行详细说明：

2. 生成图像金字塔

前面提到，输入图片的尺寸，minsize和factor共同影响了图像金字塔的阶层数。也就是说决定能够生成多少张图。

缩放后的尺寸minL=org_L*(12/minisize)*factor^(n)，n={0,1,2,3,...,N}，缩放尺寸最小不能小于12，也就是缩放到12为止。n的数量也就是能够缩放出图片的数量。看到上面这个公式应该就明白为啥那三个参数能够影响阶层数了吧。

3. Pnet运算

一般Pnet只做检测和人脸框回归两个任务。忽略下图中的Facial landmark。

虽然网络定义的时候input的size是12*12*3，由于Pnet只有卷积层，我们可以直接将resize后的图像喂给网络进行前传，只是得到的结果就不是1*1*2和1*1*4，而是m*m*2和m*m*4了。这样就不用先从resize的图上截取各种12*12*3的图再送入网络了，而是一次性送入，再根据结果回推每个结果对应的12*12的图在输入图片的什么位置。

针对金字塔中每张图，网络forward计算后都得到了人脸得分以及人脸框回归的结果。人脸分类得分是两个通道的三维 矩阵  m*m*2，其实对应在网络输入图片上m*m个12*12的滑框，结合当前图片在金字塔图片中的缩放scale，可以推算出每个滑框在原始图像中的具体坐标。

首先要根据得分进行筛选，得分低于阈值的滑框，排除。

然后利用nms非极大值抑制，对剩下的滑框进行合并。nms具体解释，可以参照我上一篇博客：NMS非极大值抑制：用擂台赛带你从原理到代码脑洞大开恍然大悟

当金字塔中所有图片处理完后，再利用nms对汇总的滑框进行合并，然后利用最后剩余的滑框对应的Bbox结果转换成原始图像中像素坐标，也就是得到了人脸框的坐标。所以，Pnet最终能够得到了一批人脸框。

3. Rnet

Rnet仍然只做检测和人脸框回归两个任务。忽略下图中的Facial landmark。

Rnet的作用是对Pnet得到的人脸框进一步打分筛选，回归人脸框。

将Pnet运算出来的人脸框从原图上截取下来，并且resize到24*24*3，作为Rnet的输入。输出仍然是得分和BBox回归结果。

对得分低于阈值的候选框进行抛弃，剩下的候选框做nms进行合并，然后再将BBox回归结果映射到原始图像的像素坐标上。

所以，Rnet最终得到的是在Pnet结果中精选出来的人脸框。

4. Onet

Onet将检测，人脸框回归和特征点定位，一起做了。

Onet的作用是对Rnet得到的人脸框进一步打分筛选，回归人脸框。同时在每个框上都计算特征点位置。

将Rnet运算出来的人脸框从原图上截取下来，并且resize到48*48*3，作为Onet的输入。输出是得分，BBox回归结果以及landmark位置数据。

分数超过阈值的候选框对应的Bbox回归数据以及landmark数据进行保存。

将Bbox回归数据以及landmark数据映射到原始图像坐标上。

再次实施nms对人脸框进行合并。

经过这层层筛选合并后，最终剩下的Bbox以及其对应的landmark就是我们苦苦追求的结果了。

下面附上代码：（代码以https://github.com/ElegantGod/ncnn/tree/master/mtcnn为base，卤煮在上面做了很多注释以及稍许修改，以助于理解）

#include <stdio.h>#include <algorithm>#include <vector>#include <math.h>#include <iostream>#include <time.h>#include <opencv2/core/core.hpp>#include <opencv2/highgui/highgui.hpp> #include "net.h"#include"cpu.h"using namespace std;using namespace cv; struct Bbox{    float score;    int x1;    int y1;    int x2;    int y2;    float area;    bool exist;    float ppoint[10];    float regreCoord[4];}; struct orderScore{    float score;    int oriOrder;}; void resize_image(ncnn::Mat& srcImage, ncnn::Mat& dstImage){	int src_width = srcImage.w;	int src_height = srcImage.h;	int src_channel = srcImage.c;	int dst_width = dstImage.w;	int dst_height = dstImage.h;	int dst_channel = dstImage.c; 	if (src_width == dst_width && src_height == dst_height)	{		memcpy(dstImage.data, srcImage.data, src_width*src_height*src_channel*sizeof(float));		return;	}	float lf_x_scl = static_cast<float>(src_width) / dst_width;	float lf_y_Scl = static_cast<float>(src_height) / dst_height;	const float* src_data = srcImage.data; 	float* dest_data = dstImage.data;	int src_area = srcImage.cstep;	int src_area2 = 2 * src_area;	int dst_area = dstImage.cstep;	int dst_area2 = 2 * dst_area; 	for (int y = 0; y < dst_height; y++) {		for (int x = 0; x < dst_width; x++) {			float lf_x_s = lf_x_scl * x;			float lf_y_s = lf_y_Scl * y; 			int n_x_s = static_cast<int>(lf_x_s);			n_x_s = (n_x_s <= (src_width - 2) ? n_x_s : (src_width - 2));			int n_y_s = static_cast<int>(lf_y_s);			n_y_s = (n_y_s <= (src_height - 2) ? n_y_s : (src_height - 2)); 			float lf_weight_x = lf_x_s - n_x_s;			float lf_weight_y = lf_y_s - n_y_s; 			float dest_val_b = (1 - lf_weight_y) * ((1 - lf_weight_x) *				src_data[n_y_s * src_width + n_x_s] +				lf_weight_x * src_data[n_y_s * src_width + n_x_s + 1]) +				lf_weight_y * ((1 - lf_weight_x) * src_data[(n_y_s + 1) * src_width + n_x_s] +				lf_weight_x * src_data[(n_y_s + 1) * src_width + n_x_s + 1]);			float dest_val_g = (1 - lf_weight_y) * ((1 - lf_weight_x) *				src_data[n_y_s * src_width + n_x_s + src_area] +				lf_weight_x * src_data[n_y_s * src_width + n_x_s + 1 + src_area]) +				lf_weight_y * ((1 - lf_weight_x) * src_data[(n_y_s + 1) * src_width + n_x_s + src_area] +				lf_weight_x * src_data[(n_y_s + 1) * src_width + n_x_s + 1 + src_area]);			float dest_val_r = (1 - lf_weight_y) * ((1 - lf_weight_x) *				src_data[n_y_s * src_width + n_x_s + src_area2] +				lf_weight_x * src_data[n_y_s * src_width + n_x_s + 1 + src_area2]) +				lf_weight_y * ((1 - lf_weight_x) * src_data[(n_y_s + 1) * src_width + n_x_s + src_area2] +				lf_weight_x * src_data[(n_y_s + 1) * src_width + n_x_s + 1 + src_area2]); 			dest_data[y * dst_width + x] = static_cast<float>(dest_val_b);			dest_data[y * dst_width + x + dst_area] = static_cast<float>(dest_val_g);			dest_data[y * dst_width + x + 2 * dst_area] = static_cast <float>(dest_val_r);		}	}} bool cmpScore(orderScore lsh, orderScore rsh){    if(lsh.score<rsh.score)        return true;    else        return false;} class mtcnn{public:    mtcnn();    void detect(ncnn::Mat& img_, std::vector<Bbox>& finalBbox);	cv::Mat cp_img;private:    void generateBbox(ncnn::Mat score, ncnn::Mat location, vector<Bbox>& boundingBox_, vector<orderScore>& bboxScore_, float scale);    void nms(vector<Bbox> &boundingBox_, std::vector<orderScore> &bboxScore_, const float overlap_threshold, string modelname="Union");    void refineAndSquareBbox(vector<Bbox> &vecBbox, const int &height, const int &width);     ncnn::Net Pnet, Rnet, Onet;    ncnn::Mat img; 	float nms_threshold[3];// = { 0.5, 0.7, 0.7 };	float threshold[3];//  = {0.8, 0.8, 0.8};	float mean_vals[3];//  = {127.5, 127.5, 127.5};	float norm_vals[3];//  = {0.0078125, 0.0078125, 0.0078125};    std::vector<Bbox> firstBbox_, secondBbox_,thirdBbox_;    std::vector<orderScore> firstOrderScore_, secondBboxScore_, thirdBboxScore_;    int img_w, img_h;	}; mtcnn::mtcnn(){	for (int i = 0; i < 3; i++)	{		nms_threshold[i]=0.7;// = { 0.5, 0.7, 0.7 };		threshold[i]=0.7;//  = {0.8, 0.8, 0.8};		mean_vals[i]=127.5;//  = {127.5, 127.5, 127.5};		norm_vals[i]=0.0078125;//  = {0.0078125, 0.0078125, 0.0078125};	}	nms_threshold[0] = 0.5;    Pnet.load_param("E:/Algrithm/MTCNN/MTCNN-master/mtcnn_caffe/model/det1.param");    Pnet.load_model("E:/Algrithm/MTCNN/MTCNN-master/mtcnn_caffe/model/det1.bin");    Rnet.load_param("E:/Algrithm/MTCNN/MTCNN-master/mtcnn_caffe/model/det2.param");    Rnet.load_model("E:/Algrithm/MTCNN/MTCNN-master/mtcnn_caffe/model/det2.bin");    Onet.load_param("E:/Algrithm/MTCNN/MTCNN-master/mtcnn_caffe/model/det3.param");    Onet.load_model("E:/Algrithm/MTCNN/MTCNN-master/mtcnn_caffe/model/det3.bin");	//cp_img.create(295, 413, CV_8UC3);	//const char* imagepath = "E:/Algrithm/ncnn/ncnn/x64/Release/test3.jpg";// argv[1]; 	//cp_img = cv::imread(imagepath);} /******************generateBbox******************************///根据Pnet的输出结果，由滑框的得分，筛选可能是人脸的滑框，并记录该框的位置、人脸坐标信息、得分以及编号void mtcnn::generateBbox(ncnn::Mat score, ncnn::Mat location, std::vector<Bbox>& boundingBox_, std::vector<orderScore>& bboxScore_, float scale){    int stride = 2;//Pnet中有一次MP2*2，后续转换的时候相当于stride=2；    int cellsize = 12;    int count = 0;    //score p    float *p = score.channel(1);//score.data + score.cstep;//判定为人脸的概率    //float *plocal = location.data;    Bbox bbox;    orderScore order;//	float max_p = 0;    for(int row=0;row<score.h;row++){        for(int col=0;col<score.w;col++){			//printf("Pnet prob: %f\n", *p);			//if (*p>max_p)			//{			//	max_p = *p;			//}            if(*p>threshold[0]){                bbox.score = *p;//记录得分                order.score = *p;                order.oriOrder = count;//记录有效滑框的编号                bbox.x1 = round((stride*col+1)/scale);//12*12的滑框，换算到原始图像上的坐标                bbox.y1 = round((stride*row+1)/scale);                bbox.x2 = round((stride*col+1+cellsize)/scale);                bbox.y2 = round((stride*row+1+cellsize)/scale);                bbox.exist = true;                bbox.area = (bbox.x2 - bbox.x1)*(bbox.y2 - bbox.y1);                for(int channel=0;channel<4;channel++)                    bbox.regreCoord[channel]=location.channel(channel)[0];//人脸框的坐标相关值                boundingBox_.push_back(bbox);                bboxScore_.push_back(order);                count++;            }            p++;            //plocal++;        }    }	//printf("Pnet max prob: %f\n",max_p);} /**********************nms非极大值抑制****************************/void mtcnn::nms(std::vector<Bbox> &boundingBox_, std::vector<orderScore> &bboxScore_, const float overlap_threshold, string modelname){    if(boundingBox_.empty()){        return;    }    std::vector<int> heros;    //sort the score    sort(bboxScore_.begin(), bboxScore_.end(), cmpScore);//cmpScore指定升序排列     int order = 0;    float IOU = 0;    float maxX = 0;    float maxY = 0;    float minX = 0;    float minY = 0;	//规则，站上擂台的擂台主，永远都是胜利者。    while(bboxScore_.size()>0){        order = bboxScore_.back().oriOrder;//取得分最高勇士的编号ID。        bboxScore_.pop_back();//勇士出列        if(order<0)continue;//死的？下一个！（order在(*it).oriOrder = -1;改变）        heros.push_back(order);//记录擂台主ID        boundingBox_.at(order).exist = false;//当前这个Bbox为擂台主，签订生死簿。         for(int num=0;num<boundingBox_.size();num++){            if(boundingBox_.at(num).exist){//活着的勇士                //the iou                maxX = (boundingBox_.at(num).x1>boundingBox_.at(order).x1)?boundingBox_.at(num).x1:boundingBox_.at(order).x1;                maxY = (boundingBox_.at(num).y1>boundingBox_.at(order).y1)?boundingBox_.at(num).y1:boundingBox_.at(order).y1;                minX = (boundingBox_.at(num).x2<boundingBox_.at(order).x2)?boundingBox_.at(num).x2:boundingBox_.at(order).x2;                minY = (boundingBox_.at(num).y2<boundingBox_.at(order).y2)?boundingBox_.at(num).y2:boundingBox_.at(order).y2;                //maxX1 and maxY1 reuse                 maxX = ((minX-maxX+1)>0)?(minX-maxX+1):0;                maxY = ((minY-maxY+1)>0)?(minY-maxY+1):0;                //IOU reuse for the area of two bbox                IOU = maxX * maxY;                if(!modelname.compare("Union"))                    IOU = IOU/(boundingBox_.at(num).area + boundingBox_.at(order).area - IOU);                else if(!modelname.compare("Min")){                    IOU = IOU/((boundingBox_.at(num).area<boundingBox_.at(order).area)?boundingBox_.at(num).area:boundingBox_.at(order).area);                }                if(IOU>overlap_threshold){                    boundingBox_.at(num).exist=false;//如果该对比框与擂台主的IOU够大，挑战者勇士战死                    for(vector<orderScore>::iterator it=bboxScore_.begin(); it!=bboxScore_.end();it++){                        if((*it).oriOrder == num) {                            (*it).oriOrder = -1;//勇士战死标志                            break;                        }                    }                }//else 那些距离擂台主比较远迎战者幸免于难，将有机会作为擂台主出现            }        }    }    for(int i=0;i<heros.size();i++)        boundingBox_.at(heros.at(i)).exist = true;//从生死簿上剔除，擂台主活下来了}void mtcnn::refineAndSquareBbox(vector<Bbox> &vecBbox, const int &height, const int &width){    if(vecBbox.empty()){        cout<<"Bbox is empty!!"<<endl;        return;    }    float bbw=0, bbh=0, maxSide=0;    float h = 0, w = 0;    float x1=0, y1=0, x2=0, y2=0;    for(vector<Bbox>::iterator it=vecBbox.begin(); it!=vecBbox.end();it++){        if((*it).exist){            bbw = (*it).x2 - (*it).x1 + 1;//滑框的宽高计算            bbh = (*it).y2 - (*it).y1 + 1;            x1 = (*it).x1 + (*it).regreCoord[0]*bbw;//人脸框的位置坐标计算            y1 = (*it).y1 + (*it).regreCoord[1]*bbh;            x2 = (*it).x2 + (*it).regreCoord[2]*bbw;            y2 = (*it).y2 + (*it).regreCoord[3]*bbh;             w = x2 - x1 + 1;//人脸框宽高            h = y2 - y1 + 1;                      maxSide = (h>w)?h:w;            x1 = x1 + w*0.5 - maxSide*0.5;            y1 = y1 + h*0.5 - maxSide*0.5;            (*it).x2 = round(x1 + maxSide - 1);            (*it).y2 = round(y1 + maxSide - 1);            (*it).x1 = round(x1);            (*it).y1 = round(y1);             //boundary check            if((*it).x1<0)(*it).x1=0;            if((*it).y1<0)(*it).y1=0;            if((*it).x2>width)(*it).x2 = width - 1;            if((*it).y2>height)(*it).y2 = height - 1;             it->area = (it->x2 - it->x1)*(it->y2 - it->y1);        }    }}void mtcnn::detect(ncnn::Mat& img_, std::vector<Bbox>& finalBbox_){    img = img_;    img_w = img.w;    img_h = img.h;    img.substract_mean_normalize(mean_vals, norm_vals);//数据预处理,归一化至(-1,1)     float minl = img_w<img_h?img_w:img_h;    int MIN_DET_SIZE = 12;    int minsize = 40;//最小可检测图像，该值大小，控制图像金字塔的阶层数，越小，阶层越多，计算越多。    float m = (float)MIN_DET_SIZE/minsize;    minl *= m;    float factor = 0.409;    int factor_count = 0;    vector<float> scales_;    while(minl>MIN_DET_SIZE){		if (factor_count > 0){ m = m*factor; }        scales_.push_back(m);        minl *= factor;        factor_count++;    }    orderScore order;    int count = 0;     for (size_t i = 0; i < scales_.size(); i++) {        int hs = (int)ceil(img_h*scales_[i]);        int ws = (int)ceil(img_w*scales_[i]);        ncnn::Mat in(ws, hs, 3);        resize_image(img, in);//一次次生成图像金字塔中的一层图        ncnn::Extractor ex = Pnet.create_extractor();        ex.set_light_mode(true);		printf("Pnet input width:%d, height:%d, channel:%d\n",in.w,in.h,in.c);        ex.input("data", in);//Pnet只有卷积层，所以可以接受不同size的input        ncnn::Mat score_, location_;        ex.extract("prob1", score_);		printf("prob1 w:%d, h:%d, ch:%d, first data:%f\n", score_.w, score_.h, score_.c, score_.data[0]);		//for (int t_w = 0; t_w < score_.w*score_.h*score_.c; t_w++)		//{		//	printf("%f, ", score_.data[t_w]);		//}        ex.extract("conv4-2", location_);        std::vector<Bbox> boundingBox_;        std::vector<orderScore> bboxScore_;        generateBbox(score_, location_, boundingBox_, bboxScore_, scales_[i]);        nms(boundingBox_, bboxScore_, nms_threshold[0]);//分会场擂台赛         for(vector<Bbox>::iterator it=boundingBox_.begin(); it!=boundingBox_.end();it++){            if((*it).exist){//获胜擂台主得到进入主会场的机会                firstBbox_.push_back(*it);//主会场花名册                order.score = (*it).score;                order.oriOrder = count;                firstOrderScore_.push_back(order);                count++;            }        }        bboxScore_.clear();        boundingBox_.clear();    }    //the first stage's nms if(count<1)return; nms(firstBbox_, firstOrderScore_, nms_threshold[0]);//主会场擂台赛 refineAndSquareBbox(firstBbox_, img_h, img_w); printf("firstBbox_.size()=%d\n", firstBbox_.size()); //for (vector<Bbox>::iterator it = firstBbox_.begin(); it != firstBbox_.end(); it++) //{ // cout << "OK" << endl; // //rectangle(cp_img, Point((*it).x1, (*it).y1), Point((*it).x2, (*it).y2), Scalar(0, 0, 255), 2, 8, 0); //} //imshow("Pnet.jpg", cp_img); //waitKey(1000); //second stage count = 0; for(vector<Bbox>::iterator it=firstBbox_.begin(); it!=firstBbox_.end();it++){ if((*it).exist){ ncnn::Mat tempIm; copy_cut_border(img, tempIm, (*it).y1, img_h-(*it).y2, (*it).x1, img_w-(*it).x2); ncnn::Mat in(24, 24, 3);  resize_image(tempIm, in); ncnn::Extractor ex = Rnet.create_extractor(); ex.set_light_mode(true); ex.input("data", in); ncnn::Mat score, bbox; ex.extract("prob1", score); ex.extract("conv5-2", bbox); if(*(score.data+score.cstep)>threshold[1]){ for(int channel=0;channel<4;channel++) it->regreCoord[channel]=bbox.channel(channel)[0];//*(bbox.data+channel*bbox.cstep); it->area = (it->x2 - it->x1)*(it->y2 - it->y1); it->score = score.channel(1)[0];//*(score.data+score.cstep); secondBbox_.push_back(*it); order.score = it->score; order.oriOrder = count++; secondBboxScore_.push_back(order); } else{ (*it).exist=false; } } } printf("secondBbox_.size()=%d\n", secondBbox_.size()); if(count<1)return; nms(secondBbox_, secondBboxScore_, nms_threshold[1]); refineAndSquareBbox(secondBbox_, img_h, img_w);  //third stage  count = 0; for(vector<Bbox>::iterator it=secondBbox_.begin(); it!=secondBbox_.end();it++){ if((*it).exist){ ncnn::Mat tempIm; copy_cut_border(img, tempIm, (*it).y1, img_h-(*it).y2, (*it).x1, img_w-(*it).x2); ncnn::Mat in(48, 48, 3); resize_image(tempIm, in); ncnn::Extractor ex = Onet.create_extractor(); ex.set_light_mode(true); ex.input("data", in); ncnn::Mat score, bbox, keyPoint; ex.extract("prob1", score); ex.extract("conv6-2", bbox); ex.extract("conv6-3", keyPoint); if(score.channel(1)[0]>threshold[2]){ for(int channel=0;channel<4;channel++) it->regreCoord[channel]=bbox.channel(channel)[0]; it->area = (it->x2 - it->x1)*(it->y2 - it->y1); it->score = score.channel(1)[0]; for(int num=0;num<5;num++){ (it->ppoint)[num] = it->x1 + (it->x2 - it->x1)*keyPoint.channel(num)[0]; (it->ppoint)[num+5] = it->y1 + (it->y2 - it->y1)*keyPoint.channel(num+5)[0]; }  thirdBbox_.push_back(*it); order.score = it->score; order.oriOrder = count++; thirdBboxScore_.push_back(order); } else (*it).exist=false; } }  printf("thirdBbox_.size()=%d\n", thirdBbox_.size()); if(count<1)return; refineAndSquareBbox(thirdBbox_, img_h, img_w); nms(thirdBbox_, thirdBboxScore_, nms_threshold[2], "Min"); finalBbox_ = thirdBbox_;  firstBbox_.clear(); firstOrderScore_.clear(); secondBbox_.clear(); secondBboxScore_.clear(); thirdBbox_.clear(); thirdBboxScore_.clear();} int main(int argc, char** argv){ /******读图（start）*******/ const char* imagepath ;// argv[1]; if (argc == 2) { imagepath = argv[1]; } else{ imagepath = "E:/Algrithm/ncnn/ncnn/x64/Release/test2.jpg"; } cout << imagepath << endl; cv::Mat cv_img = cv::imread(imagepath); if (cv_img.data==NULL) { fprintf(stderr, "cv::imread %s failed\n", imagepath); system("pause"); return -1; } printf("img w: %d h:%d ch:%d\n",cv_img.cols,cv_img.rows,cv_img.channels()); imshow("img",cv_img); waitKey(10); /***************读图（end）********************/  /***********MTCNN运算（start）************/ float start = clock(); int times = 1; ncnn::set_omp_num_threads(4); for (int cnt = 0; cnt < times; cnt++) { std::vector<Bbox> finalBbox; mtcnn Net; //OpenCV读出的图片是BGR格式的，需要转为RGB格式，否则检出率会很低。 ncnn::Mat ncnn_img = ncnn::Mat::from_pixels(cv_img.data, ncnn::Mat::PIXEL_BGR2RGB, cv_img.cols, cv_img.rows); Net.detect(ncnn_img, finalBbox); for (vector<Bbox>::iterator it = finalBbox.begin(); it != finalBbox.end(); it++){ if ((*it).exist) { printf("Bbox [x1,y1], [x2,y2]:[%d,%d], [%d,%d] \n", (*it).x1, (*it).x2, (*it).y1, (*it).y2); rectangle(cv_img, Point((*it).x1, (*it).y1), Point((*it).x2, (*it).y2), Scalar(0, 0, 255), 2, 8, 0); for (int num = 0; num < 5; num++) { printf("Landmark [x1,y1]: [%d,%d] \n", (int)*(it->ppoint + num), (int)*(it->ppoint + num + 5)); circle(cv_img, Point((int)*(it->ppoint + num), (int)*(it->ppoint + num + 5)), 3, Scalar(0, 255, 255), -1); } } } } /***********MTCNN运算（end）************/ printf("MTCNN mean time comsuming: %f ms\n",(clock()-start)/times); imshow("result.jpg",cv_img); waitKey(100); system("pause"); return 0;}#endif

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删